本课程为计算机科学与技术专业、人工智能专业重点建设课程。该课程面向计算机科学与技术、人工智能、数据科学与大数据、软件工程、网络空间安全、信息安全、电子信息类等专业，以及计算机科学与技术、软件工程、网络空间安全、信息与通信工程、控制科学与工程、车辆工程、兵器科学与技术等相关学科。课程教材受到国家出版基金资助，为北京理工大学重点规划教材。
课程系统地讲解了机器学习的理论与方法，主要内容包括：机器学习基础知识，包括机器学习基本概念、历史和发展现状、机器学习分类、性能度量；期望最大化（EM）算法，包括EM算法的相关理论、推导、收敛性分析；主题模型，包括主题建模的思想、隐狄利克雷分布模型（LDA）、吉布斯采样方法；聚类分析，包括K-means等经典聚类算法、谱聚类算法、基于约束的聚类和在线聚类算法；概率无向图模型，包括逻辑斯蒂回归模型、最大熵模型、条件随机场；概率有向图模型，包括贝叶斯网络、隐马尔可夫模型；支持向量机，包括线性支持向量机、非线性支持向量机、一分类和多分类支持向量机；神经网络，包括感知机和多层感知机、优化算法等；深度神经网络，包括卷积神经网络、循环神经网络；强化学习，包括马尔可夫决策过程、免模型的强化学习蒙特卡洛学习、TD学习、Q-Learning 和Sarsa、深度强化学习等。本课程通过产教融合、科教融汇的实践案例强化创新实践能力。
课程内容丰富，有基础理论、应用技术、和工程实践。课程既适合相关专业学生，又适用于零基础和社会人士学习，让您学会各种机器学习方法，体验学习机器学习知识的乐趣。
第一章 绪论
1.1 机器学习简介
1.2 机器学习发展历程
1.3 机器学习分类与性能度量
第二章 期望最大化算法
2.1 期望最大化算法背景
2.2 相关理论
2.3 期望最大化算法推导
2.4 期望最大化算法的收敛性
第三章 主题建模
3.1 主题建模的背景
3.2 隐狄利克雷分配模型（LDA）的基本结构
3.3 吉布斯采样方法
主题建模
LDA作业2
LDA作业1
第四章 支持向量机
4.1 线性支持向量机原理
4.2 线性支持向量机（数据线性可分）
4.3 线性支持向量机（数据线性不可分）
4.4 非线性支持向量机思想
4.5 核函数
4.6 非线性支持向量机原理
4.7 一分类-多分类支持向量机
支持向量机作业1
支持向量机作业2
第五章 聚类分析
5.1 相似性度量方法和经典聚类算法
5.2 K-means、K中心点方法及其改进方法
5.3 谱聚类
5.4 基于约束的聚类和在线聚类
第六章 概率无向图模型
6.1 概率无向图
6.2 逻辑斯蒂回归模型
6.3 最大熵模型
6.4 条件随机场
第七章 概率有向图模型
7.1 概率有向图及贝叶斯网络基础知识
7.2 贝叶斯网络结构学习
7.3 贝叶斯网络参数学习
7.4 隐马尔可夫模型
第八章 神经网络
8.1 人工神经网络基础知识
8.2 多层感知机
8.3 优化算法
8.4 卷积神经网络
8.5 循环神经网络
第九章 强化学习
9.1 强化学习基本概念
9.2 马尔可夫决策过程
9.3 免模型的强化学习之蒙特卡洛学习和TD学习
9.4 免模型的强化学习之 Q-Learning 和Sarsa
9.5 深度强化学习
第十章 梯度下降法实验
10.1 梯度下降法实验1
10.2 梯度下降法实验2
第十一章 回归实验
11.1 波士顿房价预测实验
11.2 麻疹疫苗接种率预测实验
第十二章 分类实验
12.1 决策树分类实验
12.2 K近邻分类实验
12.3 SVM分类实验
第十三章 聚类实验
13.1 K-means聚类实验
13.2 DBSCAN聚类实验
13.3 汽车产品聚类实验
第十四章 天文数据挖掘实验
14.1 项目描述
14.2 特征优化及代码
第十五章 复习课
15.1 主题模型
15.2 支持向量机
15.3 聚类分析
15.4 概率有向图模型
15.5 概率无向图模型
PDF课件
第一章 绪论
第二章 期望最大化算法
第三章 主题建模
第四章 支持向量机
第五章 聚类分析
第六章 概率无向图模型
第七章 概率有向图模型
第八章 神经网络
第九章 强化学习
国产AI框架----华为昇思MindSpore
第十章 梯度下降法实验
第十一章 回归实验
第十二章 分类实验
第十三章 聚类实验
第十四章 天文数据挖掘实验
第十五章 复习课